一维卷积神经网络可以量化儿童和青少年在机器人辅助步行训练器中行走的治疗内容

科学领域:

• 机器人技术 机器人技术 机器人技术
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 有效的机器人辅助步行疗法依赖于精确的设备参数和患者特定的指令.
• 目前的方法难以捕捉治疗指令和患者反应,这阻碍了诊所之间的知识转移.
• 量化治疗内容对于改善和标准化康复方案至关重要.

研究的目的:

• 研究使用1D卷积神经网络 (CNN) 来量化机器人辅助步行训练中的治疗内容.
• 开发一个模型,将通过表面肌电图 (sEMG) 测量的患者行为与治疗指令联系起来.
• 评估使用机器学习在步行康复期间从运动信号推断患者意图的可行性.

主要方法:

• 利用1D-CNNs分析机器人辅助行走过程中从两个腿部肌肉的表面电肌图 (sEMG) 图案.
• 训练模型根据sEMG数据预测特定的治疗指令.
• 通过使用20名健康儿童的数据验证了该方法,这些儿童接受了五种不同的指令的步行训练.

主要成果:

• 1D-CNN模型在预测治疗指令方面实现了近90%的分类准确性.
• 当指令针对特定的步行参数,如步骤长度时,性能特别高.
• 在肌肉活动模式和预期的治疗目标之间显示出强烈的相关性.

结论:

• 1D-CNNs是一种可行且有效的工具,用于量化机器人辅助步行康复中的治疗内容.
• 这种方法可以促进不同治疗策略的比较,并确定最佳康复技术.
• 拟议的方法有可能提高成功的步行疗法干预措施的标准化和可转移性.